18、探秘大脑：构建智能系统的启示

探秘大脑：构建智能系统的启示

大脑测量方法

光学方法

有一种光学方法可用于研究神经活动及其时间源。它利用红外光，探测器由光纤束组成，能感知光通过吸收或散射改变的路径。该方法可测量光的吸收，这是一种缓慢的信号，与大脑中化学物质的浓度有关。它在神经元活动开始后启动，数秒后停止，被认为反映了因任务需求而使特定区域血流量增加。不过，这种方法具有侵入性（通常在手术中进行），且对大脑的穿透较浅（暴露的皮质表面穿透深度不超过约 1 毫米）。

近红外光谱法（NIRS）是一种非侵入性的光学技术，用于测量人类大脑中血红蛋白氧合状态的变化。但其准确性和可靠性仍存在争议，原因是人们对近红外光所采样的大脑区域了解尚不完整。

仪器组合

通过组合使用上述仪器，在一定程度上可以克服单个仪器的一些缺点，以下是一些具体组合示例：
|组合方式|说明|
| ---- | ---- |
|fMRI 与 EEG 和 MEG 结合|fMRI 时间分辨率较差，在同一实验中可结合使用 EEG 或 MEG 进行互补|
|PET 与 MRI 或 CT 结合|PET 常与 MRI 或 CT 扫描通过“融合”技术结合，提供器官的完整三维视图|
|TMS 与 fMRI 和 MRI 结合|将 TMS 与 fMRI 和 MRI 结合，形成三维大脑映射|

然而，仪器组合技术也面临一些挑战，主要包括：
- 配准误差 ：不同仪器的测量坐标不同。
- 时空误差 ：例如 MEG 和 fMRI 不能同时进行测量，一些相关实验需在不同时间进行，这可能导致同一实验出现时空误差。

损伤法

大脑损伤是指大脑中结构和功能均受损的区域。该方法通过观察因大脑损伤导致无法执行特定心理功能而引起的行为或认知功能变化。大多数损伤研究在动物身上进行，人类大脑也存在因疾病或损伤导致的损伤情况。使用大脑损伤研究的优点是能较好地定位功能区域，但也存在一些问题：
- 个体差异 ：患者情况不同，大脑损伤程度和症状各异。即使研究人员将看似大脑同一区域受损的患者归为一组，实际受损区域也并非完全相同，且损伤大小和程度因人而异。
- 因果关系不明确 ：有时不清楚是损伤导致特定区域功能丧失，还是损伤破坏了向控制该功能区域发送的信号。

此外，损伤法还存在其他缺点，如具有很强的侵入性，很少能见到纯粹的病例（尤其是疾病导致的损伤），且动物大脑与人类大脑存在差异，动物模型对人类的有效性存疑。使用损伤法还可能面临以下困难：
- 功能观察受限 ：研究人员只能观察到大脑损伤后其功能的表现以及其他部分的反应，难以直接观察受损部分原本的功能。
- 功能定位不清晰 ：大脑特定部分所控制的功能并不总是明确的，有些区域的功能可能被“掩盖”，难以与特定功能直接关联。
- 功能低估风险 ：患者可能通过改变任务执行方式来补偿大脑损伤，从而导致对某些大脑功能的低估。

研究结论

如今，我们已经收集了大量数据，对大脑的了解比前人有了很大进步，但仍有许多问题未得到解答。大脑测量仪器为我们理解大脑提供了很多见解，但研究人员在处理和解释数据时，需要了解每种仪器的局限性，避免过度强调研究结果。大脑的计算建模受实验技术的数据收集和解释影响，因此在建模时应牢记数据的假设，不要高估对大脑理解的准确性，防止基于存在局限性的方法形成错误的建模概念。

大脑设计原则对智能系统的启示

我们可以从大脑中汲取灵感来设计智能系统，就像从鸟类获得灵感制造飞机，但不一定要设计出像鸟类翅膀那样扇动的飞机一样，设计智能系统也不必精确复制大脑的细胞或原子水平结构。以下是一些可以从大脑学习的关键设计原则：

原子、分子和细胞层面

• 神经元行为 ：在分子甚至细胞层面精确建模神经元细节过于复杂，且难以确定模型的准确性和精度。一种可行的方法是设计能产生相同效果或具有类似神经行为或活动的模型，例如分流网络、简单脉冲模型和各种积分 - 放电神经元模型。
• 兴奋和抑制效应 ：这些效应影响神经元之间信息的传递、保存和学习。大脑中兴奋性神经元多于抑制性神经元，智能系统可借鉴这一设计原则。
• 突触强度和连接 ：理解长时程增强（LTP）和长时程抑制（LTD）有助于在人工“皮层”架构中设计信息表示、存储和关联。
• 并行性 ：神经元之间存在许多并行互连，使多个活动能同时进行。每个神经元都像一个“处理器”，这种并行性让大脑能够“快速计算”。智能系统可采用类似的并行连接设计原则，通过多个处理器相互连接实现超快速计算。
• 分布式特性 ：信息在大脑中的传输、检索、学习和存储大多采用分布式神经系统。这种特性具有冗余性，即使一组或一列中的一两个神经元死亡，也不会影响整个列的功能，信息表示在意外情况或新观念侵入时更具鲁棒性。此外，分布式特性使信息表示更容易从不同处理阶段访问或“回忆”。
• 预接线和动态接线原则 ：大脑的关键组件和基本结构主要由基因预先设定或硬接线，这些基本结构会通过暴露于外部刺激而变得更加专业化。
• 反馈和前馈连接 ：神经元之间的反馈和前馈连接在许多人工神经网络和智能系统中已经存在。反馈提供自上而下的预期，前馈产生自下而上的影响。
• 简单和复杂细胞概念 ：简单细胞发挥直接作用，细胞间竞争效应更强；复杂细胞执行一阶和二阶组合，例如进行对象分类。
• 镜像神经元 ：人类学习的关键原则之一是模仿，这被认为与镜像神经元的存在有关。智能系统可以学习和模拟镜像神经元的原理及其因高级认知而产生的机制。
• 多巴胺 ：多巴胺与通过奖励学习有关。目前使用强化学习的计算模型通常采用硬编码奖励（外在奖励），对多巴胺的研究或许能为开发使用内在奖励（系统自行分配奖励值到不同状态）的系统提供见解。
• 受体和第二信使 ：受体是细胞核内与特定分子（如神经递质、激素或其他化学物质）结合的蛋白质。受体激活后会激活第二信使，引发细胞内的一系列反应。这种行为可用于计算过程的建模，例如当捕获并激活一个事件时，会引发一系列动作。

网络和系统层面

在这个层面，神经元以组/列和功能区域的形式排列，相关设计原则如下：

graph LR
    A[网络和系统层面设计原则] --> B[分层组织]
    A --> C[功能区域化]
    A --> D[反馈和前馈过程]
    A --> E[互补作用]
    A --> F[竞争作用]
    A --> G[合作作用]
    A --> H[多模态]
    A --> I[自动校准和适应]
    A --> J[特定机制]
    A --> K[认知连接]
    B --> B1[不同层执行不同任务]
    B --> B2[任务复杂度从低级感官到高级皮层增加]
    B --> B3[感受野从简单细胞到复杂细胞增大]
    C --> C1[相似功能神经元分组]
    C --> C2[区域间可通信]
    C --> C3[部分区域有特定局部功能]
    D --> D1[有利于快速处理和反应]
    E --> E1[同一组神经元内存在竞争]
    F --> F1[不同区域合作产生认知智能]
    G --> G1[多传感器集成]
    I --> I1[动态选择参数]
    J --> J1[可用于智能系统设计]
    K --> K1[考虑多决策路径和结果]

• 分层组织 ：
  • 不同层的神经网络执行不同任务。
  • 从低级感官到高级皮层，执行任务的复杂度逐渐增加。
  • 感受野从简单细胞的小范围到复杂细胞的大范围变化。
• 功能区域化 ：
  • 具有相似功能的神经元聚集在一起。
  • 一个区域的神经元可与其他多个区域进行通信。
  • 某些区域具有非常特定的局部功能，例如梭状回面部区（FFA）用于存储面部信息和进行面部检测。
• 反馈和前馈过程 ：智能系统架构可继承这种信息传递方式，前馈有利于快速处理、快速识别和反应。
• 互补作用 ：多个子系统相互配合，例如视觉通路的背侧和腹侧流相互协作，使我们能够识别和抓取物体。
• 竞争作用 ：同一组神经元内存在竞争效应。
• 合作作用 ：大脑的不同区域和部位协同工作，产生认知智能。
• 多模态 ：可以实现多种传感器的集成，如听觉和视觉的协同工作。
• 自动校准和适应 ：大脑能够动态选择合适的参数，以自动校准并适应新的需求或环境。
• 特定机制 ：大脑似乎具有实现有效自上而下和自下而上控制的特定机制，这种过程可应用于智能系统设计。例如，基于“先前事件”的自上而下控制过程可针对相关特征特定区域，以增强大脑中的冲突解决能力。
• 认知连接 ：大脑的皮质 - 皮质连接很值得模仿。例如，外部刺激信息通过两种不同方式到达杏仁核（产生情绪反应），一种是从丘脑的短而快的直接路径，另一种是通过皮质的长而慢的间接路径。这种直接和间接连接方式可通过考虑多个决策路径和结果，在接收和处理更多信息时改善认知架构。

机体层面

• 全局稳定性和鲁棒性 ：
  • 分流抑制 ：大脑通过分流抑制防止饱和，确保大规模并行神经网络正常运行。
  • 稳定学习 ：大脑能够快速且稳定地学习，不会灾难性地遗忘过去的知识，这被 Stephen Grossberg 教授称为稳定性 - 可塑性困境。
• 预测能力 ：大脑具有预测能力，例如在玩杂耍时，大脑能够预测球的运动轨迹，并同时调整手部动作以接住下落的球。
• 模式识别 ：大脑擅长识别模式并进行推理或预测，模式识别在解决问题的能力中起着关键作用，大脑能够综合多个特征来识别一个或多个模式。
• 不变对象识别和泛化能力 ：
  • 从不同角度观察苹果时，尽管视网膜接收到的视图不同，但我们仍能识别出是同一个苹果。
  • 观察不同狗的图片后，我们能够将其概括为“狗”的单一概念，并识别出未曾见过的狗的图片。
• 学习原则 ：大脑具有神经可塑性，这为开发“可塑性”程序（即根据环境输入灵活动态变化的程序）和“动态”指针（即能够动态关联其他指针或程序的指针）提供了思路。
• 不同区域的突触可塑性 ：大脑不同区域似乎采用不同的突触可塑性机制，例如基底神经节采用强化学习，小脑采用运动学习/基于误差的学习，海马体和大脑皮层一般采用赫布学习。
• 自动化过程 ：大脑在学会某项技能后，大多数过程会自动执行，无需预处理，进入类似记忆回忆的模式。例如，学会开车后，驾驶过程会自动进行，注意力则集中在道路的动态环境上。

其他设计原则

• 注意力机制 ：有趣、奇特、可疑和搞笑的活动，以及统计上不寻常、意外和异常的活动，都会吸引我们的注意力。
• 局部和分布式结合 ：一些功能具有较强的局部性，如面部识别（在 FFA 区域），由特定的一组神经元执行特定任务；而另一些功能则更具分布式特点，涉及多个区域的神经元共同完成任务，如导航。
• 记忆 ：
  • 关联活动和信息 ：可以使用简单的关联技术将相关活动和事件后信息进行关联。
  • 巩固和形成 ：事件的记忆是由零碎信息巩固而成。

利用大脑设计原则构建智能系统的优势与挑战

优势分析

借鉴大脑的设计原则来构建智能系统具有多方面的显著优势，以下是详细分析：
|优势类别|具体优势|说明|
| ---- | ---- | ---- |
|计算效率|并行计算能力|大脑的并行性设计使得多个神经元可以同时处理信息，智能系统采用类似的并行连接结构，能够大大提高计算速度，同时处理多个任务和替代方案，弥补单个计算单元速度的不足，实现超快速计算|
|学习能力|稳定学习与泛化|大脑具有稳定学习和泛化的能力，能够快速且稳定地学习新知识，同时不会遗忘过去的知识，还能将所学知识应用到新的情境中。智能系统借鉴这些原则，可以开发出具有更强学习和适应能力的模型|
|认知能力|模式识别与预测|大脑擅长模式识别和预测，能够从复杂的信息中提取规律，并对未来事件进行预测。智能系统模仿大脑的这些能力，可以在图像识别、自然语言处理、预测分析等领域取得更好的效果|
|适应性|自动校准与适应|大脑能够根据环境的变化自动调整参数，适应新的需求。智能系统引入这种自动校准和适应机制，可以在不同的环境和任务中保持良好的性能|

挑战与应对策略

然而，将大脑设计原则应用于智能系统也面临着一些挑战，以下是具体挑战及应对策略：
- 技术实现挑战
- 模型复杂度 ：大脑的结构和功能极其复杂，要精确模拟大脑的设计原则，智能系统的模型可能会非常复杂，导致计算资源需求巨大，训练和优化困难。应对策略是采用简化模型和分层架构，逐步逼近大脑的功能，同时利用高效的计算资源和算法进行优化。
- 数据获取与处理 ：大脑的学习和决策是基于大量的感官输入和经验，智能系统需要获取和处理类似的丰富数据。但数据的收集、标注和管理是一项艰巨的任务，而且数据的质量和多样性也会影响系统的性能。应对策略是建立大规模的数据采集平台，采用先进的数据处理和增强技术，提高数据的质量和可用性。
- 理论理解挑战
- 大脑机制的不完全理解 ：尽管我们对大脑的研究已经取得了很大进展，但仍有许多机制尚未完全理解，例如一些神经递质和信号传导的具体作用。这可能导致在将大脑设计原则应用于智能系统时出现偏差。应对策略是加强跨学科研究，整合神经科学、计算机科学、数学等多个领域的知识，深入研究大脑的工作原理。
- 设计原则的适应性 ：大脑的设计原则是在生物进化过程中形成的，适用于生物系统。将这些原则应用于智能系统时，需要考虑其适应性和可行性，不能简单地照搬。应对策略是进行大量的实验和验证，根据智能系统的特点和需求，对大脑设计原则进行适当的调整和优化。

未来展望

随着科技的不断发展，利用大脑设计原则构建智能系统具有广阔的前景。未来，我们有望看到以下发展趋势：
- 智能系统的智能化升级 ：智能系统将更加接近人类的智能水平，具备更强的学习、推理、决策和创造能力，能够在更多领域替代人类完成复杂的任务。
- 跨领域融合应用 ：智能系统将与其他领域如医疗、交通、教育等深度融合，为解决实际问题提供更有效的方案。例如，在医疗领域，智能诊断系统可以辅助医生进行疾病诊断和治疗方案制定；在交通领域，智能交通系统可以优化交通流量，提高交通安全。
- 人机协作的新模式 ：人类与智能系统将形成更加紧密的协作关系，相互补充、相互促进。智能系统可以为人类提供更多的信息和决策支持，人类则可以利用自己的创造力和判断力对智能系统的输出进行评估和调整。

总结

通过对大脑测量方法、设计原则以及构建智能系统的优势与挑战的探讨，我们可以看到，对大脑的研究为智能系统的设计提供了丰富的灵感和理论基础。虽然目前我们在将大脑设计原则应用于智能系统方面还面临着一些挑战，但随着技术的不断进步和研究的深入，我们有理由相信，未来的智能系统将更加智能、高效、灵活，能够更好地服务于人类社会。

在构建智能系统的过程中，我们需要充分借鉴大脑的设计原则，同时结合现代科技的优势，不断创新和优化。只有这样，我们才能开发出具有真正智能的系统，推动人工智能技术的发展，为人类带来更多的福祉。

graph LR
    A[大脑研究] --> B[测量方法]
    A --> C[设计原则]
    B --> B1[光学方法]
    B --> B2[仪器组合]
    B --> B3[损伤法]
    C --> C1[原子、分子和细胞层面]
    C --> C2[网络和系统层面]
    C --> C3[机体层面]
    C --> C4[其他设计原则]
    D[智能系统构建] --> E[借鉴设计原则]
    D --> F[应对挑战]
    E --> E1[提高计算效率]
    E --> E2[增强学习能力]
    E --> E3[提升认知能力]
    E --> E4[增强适应性]
    F --> F1[解决技术实现挑战]
    F --> F2[克服理论理解挑战]
    G[未来展望] --> H[智能化升级]
    G --> I[跨领域融合应用]
    G --> J[人机协作新模式]

总之，大脑就像一座神秘的宝藏，蕴含着无尽的智慧和奥秘。我们需要不断探索和挖掘，将大脑的优势转化为智能系统的优势，为人类创造更加美好的未来。